摘要：介绍了一种多智能Agent模型，用于解决用户个性化信息的聚合问题。该模型采用的运算法则是改进型的蒙特卡罗方法，并接合了Hopfield网络模型和Suffix Tree的特点，较准确有效地实现了对用户爱好信息的聚合。

关键词：多智能Agent信息聚合智能模型 20世纪90年代以来，随着计算机网络、通信等技术的快速发展，网络环境正由Client／Server发展到Client／Network，并向Client／Virtual Environment发展，分布式人工智能DAI(Distributed Artificial Intelligence)受到了人们的广泛关注，对智能Agent的研究又是其中的一个热点。多智能Agent降低了对集中式、顺序控制的限制，提供了移动控制、应急和并行处理，不仅为用户提供了一种远程智能程序设计的方法，实现了更加快捷的问题求解，而且将用户从纷繁的信息海洋中解放出来，可以集中精力关注他们感兴趣的信息。

用户对网络感兴趣的并不是网络资源所蕴含数据量的大小．而是那些可以在一定程度上能够满足自己需要的个性化信息，他们都希望能在最短的时间内掌握这些信息的分布情况。用传统的的方法来解决这个问题时，用户的代理服务器往往会遇到许多质疑，例如在无法深入调查用户坦率度的情况下如何准确把握用户的兴趣；如何保证对用户兴趣的模拟是准确的；如何保证聚合信息能满足用户的需求等。本文就如何准确模拟用户兴趣，并依此聚合用户的个性化信息作了尝试性研究，对常用的运算法则和模型的设计思想作了一定的改进．收到了良好效果。

1 智能Agent

Wooldridge等人对智能Agent的“弱定义”和“强定义”广为人们接受。智能Agent不仅具有反应性、自治性、面向目标和环境性四个基本特征，还具有理性、善意和学习等特点。因此可以认为智能Agent是指能为用户执行某些特定的任务且具有心智状态(mental state)，能自主地根据需要进行分析推理、自我完善的软件体，是一个具有一定智能行为的概念“人”。智能Agent既是人工智能的最初目标，也是人工智能的最终目标。

2 模型设计

2.1 智能Agent模型

模型选用了1998年中国科学院计算技术研究所研制的多主体系统开发工具AOSDE(Agent 通信模块，如图1所示。管理模块是核心模块，它负责监控其他四个模块，负责智能Agent的自我保护和自我完善；自检模块负责智能Agent的初始化和性能检测；任务模块负责接收任务、解释任务、执行任务并返回执行结果；储存模块负责存储备用数据和执行结果；通信模块负责智能Agent间、智能Agent与Agent平台间的数据交换。

2．2 智能Agent设计

模型中用到的智能Agent按功能分作四类：用户Agent、描述Agent、汇总Agent和学习Agent，它们的协作关系如图2所示。

(1)用户Agent，它是一个界面Agent，扮演“眼睛”的角色，完成用户与系统间的对话。

系统运行期间，用户Agent观察用户行为，并将观察到的行为信息传递给学习Agent和描述Agent。例如记录用户的ID号、文档的关键词，用户是否下载了文档、是否在文档中添加了书签或者建立了超链接等。用户通过它可以随时调用或更改用户侧面中储存的兴趣主题(副主题)，整个系统对用户是透明的。

(2)描述Agent，它采用语义网络的表示方法来描述用户兴趣，并与学习Agent协作完成对用户兴趣的模拟。

用户的兴趣可以是单个主题，也可以是多个主题的结合体。描述Agent在对概念、行为描述的过程中考虑了合取概念聚类问题和主题间的相关性，用副主题来描述多个主题的聚台概念，主题和副主题都储存在用户侧面中。

描述Agent还负责描述用户对聚合信息的反映，并把结果作为计算主题(副主题)优先级变化量的一个参数。法则如下：用户对聚合信息中与主题(副主题)n相关文档j的反映可以分作四类：不喜欢、希望了解、比较感兴趣、喜欢。参数依次设定为一l、0、l、2，分类的依据是时间利用率β，β=tn/T，其中，用户访问网络的时间为T，用户浏览j所用时间为tn，n的优先级变化量记为δmn。定义：β≥0.5时，用户对文档j喜欢，δmn=2；0.5>β≥O.3时。用户对文档j比较感兴趣，δmn=l；0.3>β≥0.15时，用户对文档j只是希望了解，δmn=0；β<0.15时，用户对文档j不喜欢，δmn=一1。用户退出用户Agent时，描述Agent将δmn作为更新值传递给用户侧面。描述法则伪程序如下：

①接收用户对聚合信息的反映；

②对于每个主题(副主题)n

③将δmn传到用户侧面并更新mn mn+δmn；

④if mn≥50 then mn=50

if mn≤0 then从用户侧面中删除n

(3)汇总Agent，它是模型的“双手”，通过搜索和汇总来完成信息的聚合。

模型选用Google Web Service来完成搜索任务，应用程序接口选用Googte API。汇总Agent将搜索结果(URL、摘要等)按主题(副主题)优先级从高到低的顺序排列，在提交用户Agent的同时向学习Agent反馈汇总情况。为了使聚合效果更佳，模型采用了文献中详细讲述的STC(Suffix Tree Clustering)方法。在网络性能良好的情况下，如果搜索结果为空，它一方面向用户Agent提交“搜索结果为空，请重新输入主题(副主题)”的请求，另一方面将搜索情况反馈给学习Agent，由学习Agent向用户侧面传递删除n的指令。如果网络存在故障，则暂时保存n。

(4)学习Agent，它扮演“大脑”的角色，是整个模型的核心部分，它依据用户的行为信息和汇总Agent的反馈信息来更新用户侧面．完成对用户兴趣的模拟。

用户的行为信息指用户对聚合信息的反映情况。用a、b、c、d、，e依次表示用户是否点击了文档、用户是否浏览了文档、是否给文档加了标签、是否下载了文档、是否建立了超链接。文档优先级的计算采用Hopfiela网络模型学习方法，a、b、c、d、e五个输入节点按照“是”选l、“否”选0的方法来标注用户对文档的兴趣程度，输出节点是文档的优先级，用k表示。

学习Agent依据用户的行为信息更新用户侧面。法则如下：文档j的优先级kj可用上述方法求出，mn表示主题(副主题)n的优先级，定义初始值为20，最高值为50，最低值为0，当20O且与n相关副主题ni的优先级mni=0时，将ni删除；当mn=0且mni>O时，则将ni和n全部删除。n的优先级增量△mn的算法是：对于文档j的优先级kj，如果∑kj=0，取△mn=-l；如果∑ki>O，取△mn=αkj，α是学习率，α=β=tnlT，用户退出用户Agent时，学习Agent用只保留一位小数的αmn更新用户侧面。学习法则伪程序如下：

①从用户Agem接受用户行为信息；

②对于每个主题(副主题)n

2.3 智能Agent间的协作

模型采用多智能Agent旨在克服单个智能Agent知识不完整、处理信息不确定等缺点，解决单个智能Agent由于各种原因不能或难以解决的问题，形成智能Agent协调合作的问题求解网络。这种协作表现为：智能Agent间的相互依赖、对协作行动的相互承诺、无死锁的协作过程、协作与约束和协作与协调。如图3所示。

协调体负责智能Agent间的任务分解、合作规划和竞争谈判，尽可能避免冲突。智能Agent间的通信语言ACL(Agent Communication Language)通常有两种：KQML(knowledge Query and Manipulation Language)和KIF(Knowledge Intechange Format)。模型选用了KQML，它定义了一种描述Agent间信息传递的标准语法以及一些“动作表达式”。

2.4 设计思想

选优是人类赋予科学的永恒课题。蒙特卡洛方法McM(Monte Carl Method)是一种优选法，用来解决数学和物理的非确定性问题，在确定大量事物的某种特定表现时行之有效。MCM作为一种统计方法，随着取样次数的增大，计算结果与事实相符。

模型中用到的运算法则是结合了Hopfield网络模型和STC特点的改进MCM。问题原型如下：设计一种优化策略，通过智能Agent间的协作来模拟用户兴趣、聚合需求信息。由于网络更新速度快，文档的URL刷新频率高，聚合信息需要及时更新。模型考虑了两种情况：(1)用户没有发布查询指令时，汇总Agent处于静止状态，不更新聚合信息；(2)汇总Agent收到聚合指令后，开始搜索网络空间，更新聚合信息。这样处理既满足了用户的需求，又提高了系统的利用率。

对于兴趣固定的用户，用户侧面中的主题是比较固定的，系统只需将用于模糊查询的主题组加以合取聚类，作为新的副主题更新用户侧面就可以了；对于兴趣不固定的用户，用户侧面中的主题(副主题)以及聚合信息需要的更新周期短，系统运行期间，通过不断地更新用户侧面，删除用户并不真正喜欢的主题和副主题，使用户侧面尽可能地与用户兴趣相一致，而不去考虑用户的坦率度，也不需要去深入质问用户的兴趣爱好。

模型中用到的运算法则有别于传统的MCM。首先，文档j的优先级算法都一样，结果可被视为传统MCM算法的平均值，因为汇总Agent每次搜索的网络环境和信息聚合结果完全一样的概率很小，计算结果ki与用MCM算出的结果相当。另一方面，传统的MCM把用户的行为信息存储在“look up table”中，而模型对于用户的行为信息并不加以保存，只是作为学习Agem和描述Agent计算用户兴趣主题(副主题)优先级更新值的依据。汇总Agent可以根据用户侧面传递的聚合指令自动聚合信息，所以MCM中的发现、存储用户行为信息并不是必须的。

2．5 系统运行

系统首次运行时，要求用户输入用户名、兴趣主题、关注的网站等原始资料，它们被储存在以用户名命名的用户侧面中，系统允许用户创建新侧面或者更改已有侧面，也允许新用户在通过身份认证的前提下调用已有的用户侧面。

面对纷繁复杂的网络环境，如何让用户在尽可能短的时间内掌握兴趣信息的分布情况．是本文设计聚合模型的目标，虽然该模型在一定程度上使信息聚合变得简单化和智能化，但是距设计目标还有很大的距离，相信随着人工智能技术的不断完善，智能Agent的日趋人性化，基于智能Agent的信息聚合系统将会臻于完善。